基于最小二乘支持向量机的时空序列混合预测模型及实证研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第10-18页 |
| 1.1 选题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 时空序列预测方法 | 第12-13页 |
| 1.2.2 混合预测方法 | 第13-14页 |
| 1.3 研究目的 | 第14页 |
| 1.4 研究方法 | 第14-15页 |
| 1.5 本文框架 | 第15-16页 |
| 1.6 小结 | 第16-18页 |
| 第二章 使用方法 | 第18-33页 |
| 2.1 时空序列构造 | 第18页 |
| 2.2 时空序列和人工智能混合的预测原理 | 第18-19页 |
| 2.3 箱型图 | 第19-20页 |
| 2.4 CUTOFF缺失数据的插补 | 第20-23页 |
| 2.4.1 CUTOFF思想及建模过程 | 第20-23页 |
| 2.4.2 CUTOFF参数敏感性分析 | 第23页 |
| 2.5 小波变换 | 第23-25页 |
| 2.5.1 小波连续变换 | 第23-24页 |
| 2.5.2 离散小波变换 | 第24页 |
| 2.5.3 小波降噪 | 第24-25页 |
| 2.6 自组织特征映射神经网络 | 第25-27页 |
| 2.7 支持向量机 | 第27-32页 |
| 2.7.1 最小二乘支持向量机 | 第30-32页 |
| 2.7.2 工具箱介绍 | 第32页 |
| 2.8 K-CV交叉验证 | 第32-33页 |
| 第三章 研究区及数据介绍 | 第33-38页 |
| 3.1 研究区介绍 | 第33-34页 |
| 3.2 研究区地下水埋深分析 | 第34-35页 |
| 3.3 研究区地下水矿化度分析 | 第35-36页 |
| 3.4 数据收集 | 第36页 |
| 3.5 数据集特点分析 | 第36-38页 |
| 第四章 混合预测 | 第38-50页 |
| 4.1 混合预测技术 | 第38页 |
| 4.2 模型参数的敏感性分析 | 第38-39页 |
| 4.3 灰狼算法 | 第39-42页 |
| 4.3.1 社会等级 | 第40页 |
| 4.3.2 包围猎物 | 第40-41页 |
| 4.3.3 狩猎 | 第41页 |
| 4.3.4 攻击猎物 | 第41-42页 |
| 4.4 灰狼算法优化LSSVM | 第42-47页 |
| 4.5 单一的对比模型 | 第47-50页 |
| 4.5.1 人工神经网络 | 第47页 |
| 4.5.2 广义回归神经网络 | 第47-48页 |
| 4.5.3 极限学习机 | 第48-49页 |
| 4.5.4 灰色预测模型 | 第49-50页 |
| 第五章 实证研究过程 | 第50-68页 |
| 5.1 异常值处理 | 第50-51页 |
| 5.2 缺失数据值的插补 | 第51-58页 |
| 5.2.1 KNN缺失值插补 | 第51-52页 |
| 5.2.2 CUTOFF及参数寻优 | 第52-55页 |
| 5.2.3 实验结果分析 | 第55-58页 |
| 5.3 SOM聚类 | 第58-60页 |
| 5.4 小波降噪 | 第60-61页 |
| 5.5 LSSVM对时空序列训练设计 | 第61页 |
| 5.6 建立混合预测模型及参数寻优 | 第61-64页 |
| 5.7 结果分析与讨论 | 第64-68页 |
| 第六章 结论与展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 在读期间发表论文 | 第73页 |
